生成式人工智能：用户体验研究人员的完美同事

蒋昌盛 2024-07-24 13:41:47

一、日常对话

我认为 ChatGPT 就像一位拥有近乎无限智慧和带宽的同事。在我的商业应用世界中，领域专家很难找到，而且通常时间紧迫。

但 ChatGPT 几乎是每个领域的专家，无论我的问题多么基本，它总是有时间陪我，而且总是心情愉快。这样，它通常可以充当 PM，快速洞察我们的产品领域（财务、供应链、商业等）、我们的用户和我们的竞争对手。

它还可以有点像工程师，用简单的方式解释复杂的技术，帮助我了解我们的产品在技术上什么是可行的，什么是不可行的。

最后，它还可以充当研究同事，我可以和他交流关于研究方法和计划的想法，甚至可以围绕人工智能的含义进行更多发人深省的讨论。

当然，这些人工智能同事的优秀程度取决于你给他们的提示，所以我想讨论一下这位研究同事如何帮助加速现有的研究方法和解锁新方法，然后谈及我对其使用的一些担忧和注意事项。

二、加速现有方法

1. 规划

无论您认为自己知道研究的最佳方法，还是不知道从哪里开始，最好向其他研究人员征求意见。在这里，我喜欢给 ChatGPT 提供尽可能多的背景信息，而不会泄露任何敏感信息。

“我是开发 [解释产品] 的团队的用户体验研究员。目前，我们正在研究 [解释功能或问题]。”

解释一下你要做的事情：

我的团队想知道：

– 人们如何……（例如，完成某项任务、对人工智能的感受等）

– 我们应该优先考虑哪些功能……

告诉它你想要什么：

– 您认为我应该使用什么方法？

– 你觉得我现在的计划怎么样？

我最近进行了一项研究，这项研究需要一种新方法，因为我们想看看用户如何与两个不同的人工智能语音助手互动，而实际上并没有构建两个不同的版本来获取反馈。我解释了我的理想方法及其局限性，ChatGPT 帮助我想出了一个替代计划。

2. 执行

一旦确定了方法和总体计划，就可以使用生成式人工智能来简化执行。

我的团队想了解一家中大型公司的制造经理需要完成的工作。您能针对该角色的 JTBD 提供一些假设吗？

我想与多位制造经理一起验证和完善这些 JTBD。您能帮我制作一个筛选器和问卷吗？

如果您有以前的研究（角色、筛选器等）中的例子可以作为参考附加，则效果会更好，有助于保持一致性。

3. 分析：

完成研究并收集数据后，使用生成式 AI 来帮助您分析数据！当然，您需要特别注意对您的公司和参与者敏感的信息。确保删除任何个人身份信息 (PII)，并以易于复制/粘贴或上传的方式组织数据。我建议对参与者进行编号（P1、P2 等），并提供任何可用的人口统计信息（例如，他们的行业、职位或工作年限）。然后，如果您以相同的方式对他们的回答进行编号（Q1：P1、P2……Q2：P1、P2……），您可以要求回答与人口统计信息之间的相关性。

我进行了一项调查/一系列采访，要求人们……您能帮我分析一下回复吗？我正在寻找直接来自数据的引述支持的关键主题。

Q3 的回答和各参与者的背景有没有什么关联？

您认为我应该如何向团队展示这些见解？您认为还有其他见解可能会引起他们的兴趣吗？

当然，你需要注意这里的不准确或夸大。根据我的经验，事先清理和组织数据的过程应该有助于让你了解生成式人工智能的响应中的趋势和支持引述。

这个数字好像有点不对，我多算了一点/少算了一点。

我不认为该主题在数据中非常普遍。您是如何得出这一结论的？

是否有一些引言虽然不符合主题，但您认为对于团队来说很重要？

内容很好，但我希望你改变格式，以便每个主题后面都放上支持引述。

解锁新方法：

我最近完成了一个项目，我将数百项产品功能映射到单个用户任务和这些任务所属的待办事项 (JTBD)，以及我们的用户角色用于完成这些任务的 D365 应用、他们在执行任务时所戴的帽子以及对他们有益的 AI 类型。这使我能够创建一个 Excel 电子表格，我的团队可以对其进行筛选，以查看哪些类型的 AI 会对我们的用户产生最大影响，哪些用户角色和 JTBD 会受到最大影响。

由于涉及的应用程序和角色数量庞大，这种类型的项目通常需要数小时的研讨会和与多位领域专家（通常是 PM）的异步沟通，而且由于信息和意见太多，很可能会失败。不过，我能够将信息输入内部生成 AI 工具（类似于 ChatGPT），要求它将所有内容映射在一起，然后让领域专家对其进行审查。当然，找出正确的提示并让事情持续运转需要时间，但通过记录我的学习和提示，其他团队很可能可以在很短的时间内实现这一目标。

此处提供简化版本：

[插入客户成功团队定义的数百个 ERP 功能/任务]。

您能否创建一些用户在完成这些任务时可能佩戴的“帽子”（分析师、数据编排员等）？

哪些类型的人工智能（自动化、内容生成等）可以支持这些功能？

以下是我们已经研究过的角色和 JTBD。您能否将每项任务映射到相关角色、JTBD 和他们在完成任务时可能扮演的角色，以及支持他们的 AI 类型？

我提到，我将其转换为 Excel 文件，我的团队可以轻松操作该文件以做出数据驱动的决策。

实际上，该文件最终变得太大且技术性太强，人们无法使用，因此我通常会为他们操作它并提供见解。然而，生成式人工智能也在这方面帮助挽救了局面，因为我最近构建了一个自定义 GPT，允许团队用自然语言询问有关数据的问题。

现在 GPT 了解了每个 Excel 列代表什么以及它们是如何映射在一起的，团队成员可以简单地问诸如“我们接下来应该关注哪个人工智能功能？”之类的问题，它会告诉他们，并指导他们在这样做时要考虑的角色和 JTBD。

据我所知，人们对 UXR 中的 AI 的担忧通常集中在两个主题上：对我们自身工作安全的担忧，以及对生成式 AI 的准确性和可信度的担忧。我相信，AI 取代 UX 研究人员还需要很长时间，甚至永远无法实现。

上述方法是加速现有方法甚至可能解锁新方法（或不可行）的示例，但核心决策、数据收集和解释仍然非常人性化。至于研究质量和准确性，我理解这些担忧。

然而，即使 AI 支持的 UXR 准确率只有 60-70%，在我看来也比没有好，尤其是考虑到我们今天需要的运作速度。特别是对于定性研究，固有的主观性使得研究不可能 100% 准确，所以我宁愿做四五项准确率达到 60-70% 的研究，也不愿花时间追求一两项研究的完美。

翻译：蒋昌盛